一種基于多特征融合的面向?qū)ο蟮慕ㄖ镒兓瘷z測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于遙感圖像數(shù)據(jù)的信息提取技術(shù)領(lǐng)域，具體涉及一種基于多特征融合的 面向?qū)ο蟮慕ㄖ镒兓瘷z測方法。
【背景技術(shù)】
[0002] 隨著經(jīng)濟(jì)發(fā)展和城市化進(jìn)程的加快，人類的各種生產(chǎn)建設(shè)活動正在日益改變著城 市及其周邊的自然環(huán)境和土地覆蓋類型。因此快速有效的監(jiān)測這些變化信息，分析變化原 因和影響結(jié)果，對我國的可持續(xù)發(fā)展具有重要意義。遙感圖像變化檢測技術(shù)就是根據(jù)同一 地區(qū)不同時(shí)相的兩幅遙感圖像，來獲取地表地物變化的一門技術(shù)，該技術(shù)的快速發(fā)展為更 新地理空間數(shù)據(jù)發(fā)揮著重大的作用。遙感變化檢測技術(shù)是數(shù)字圖像處理方法、計(jì)算機(jī)視覺 技術(shù)和人工智能、模式識別理論的綜合應(yīng)用。
[0003] 遙感圖像變化檢測包括三個(gè)層次：像元級變化檢測、特征級變化檢測和目標(biāo)級變 化檢測。變化檢測的三個(gè)層次各有優(yōu)缺點(diǎn)，在具體的變化檢測過程中要檢測到哪個(gè)層次是 根據(jù)任務(wù)的需要來確定的。像元級變化檢測保持了盡可能多的原始信息，具有特征級和目 標(biāo)級層次上所不具備的細(xì)節(jié)信息，但像元級變化檢測僅考慮像素屬性的變化，而未考慮其 空間等特征屬性的變化；特征級變化檢測不僅考慮到空間形狀的變化，而且還考慮特征屬 性的變化，但特征級變化檢測依賴于特征提取的結(jié)果，況且單獨(dú)使用某一特征進(jìn)行變化檢 測有可能造成很大的漏檢和錯(cuò)檢；目標(biāo)級變化檢測最大的優(yōu)點(diǎn)是它接近于用戶的需求，檢 測的結(jié)果可直接應(yīng)用，它的不足之處在于目標(biāo)提取的困難性。
[0004] 隨著衛(wèi)星技術(shù)的快速發(fā)展，使得高分辨率遙感圖像的變化檢測成為可能。分辨率 在10m以內(nèi)的高分辨率遙感圖像（Very High Resolution Imagery，VHR)已經(jīng)廣泛應(yīng)用于 社會經(jīng)濟(jì)的很多領(lǐng)域，中低分辨率遙感圖像中的點(diǎn)目標(biāo)在高分辨率圖像中變成了面，圖像 包含更多、更豐富的地理和地形信息。高效利用高分辨率遙感圖像豐富的地物細(xì)節(jié)變化信 息、像元之間以及像元屬性之間的相互關(guān)系，能有效地抑制自然地物變化和不同成像條件 引起的信息干擾，因此對高分辨率遙感圖像的變化檢測研宄具有重要的理論意義和現(xiàn)實(shí)意 義。傳統(tǒng)的遙感圖像變化檢測是基于像素的，如圖像差值法、圖像比值法。圖像差值法和比 值法對圖像的質(zhì)量和預(yù)處理要求相對較高，不可避免的幾何配準(zhǔn)誤差、相對輻射校正精度、 陰影等都是基于差異圖像的高分辨率遙感圖像變化檢測中的典型問題。簡單的單波段相減 由于沒有考慮波段之間的統(tǒng)計(jì)相關(guān)性，使得絕對值不同的數(shù)值相減得到同樣大小的差值， 不同像素灰度值之間相比得到同樣大小的比值，忽略了不同地物在不同敏感波段存在的差 異，導(dǎo)致潛在可利用信息的丟失。
[0005] 在這背景下，面向?qū)ο蟮淖兓瘷z測方法能夠?qū)⑾裨?像元之間的差異推廣到對 象-對象，把傳統(tǒng)的以像素為單位的變化檢測推廣到以對象為單位的變化檢測，最后提取 變化/未變化信息。

【發(fā)明內(nèi)容】

[0006] 為了解決上述的技術(shù)問題，本發(fā)明提出了一種基于多特征融合的面向?qū)ο蟮慕ㄖ?物變化檢測方法。
[0007] 本發(fā)明所采用的技術(shù)方案是：一種基于多特征融合的面向?qū)ο蟮慕ㄖ镒兓瘷z測 方法，其特征在于，包括以下步驟：
[0008] 步驟1 :對所選區(qū)域的兩幅不同時(shí)相的高分辨率遙感圖像A和B進(jìn)行預(yù)處理，主要 包括幾何糾正、輻射糾正、幾何配準(zhǔn)和圖像裁剪；
[0009] 步驟2:計(jì)算A和B兩幅圖像的每個(gè)像素點(diǎn)的形態(tài)學(xué)建筑指數(shù)（MBI)、固定窗口的 紋理特征和慢特征分析（SFA)，得到圖像A和B的MBI特征圖像、紋理特征圖像和SFA特征 圖像；
[0010] 步驟3 :選取步驟1中的一幅圖像采用基于改進(jìn)的FNEA多尺度分割方法進(jìn)行分 害J，得到一幅多尺度分割圖像，并利用步驟2的計(jì)算結(jié)果來改進(jìn)多尺度分割算法進(jìn)行分割， 分割的結(jié)果是得到一個(gè)個(gè)對象；并由分割的結(jié)果得到每個(gè)對象對應(yīng)像素點(diǎn)的坐標(biāo)或索引， 稱為索引矩陣；然后按照此索引矩陣對步驟1中的另一幅圖像進(jìn)行分割，分割的結(jié)果使兩 幅圖像具有同樣大小的對象；
[0011] 步驟4 :因步驟2中得到的MBI特征圖像、紋理特征圖像和SFA特征圖像具有尺度 不統(tǒng)一的特點(diǎn)，故采用單位標(biāo)準(zhǔn)差歸一化方法對不同的特征圖像進(jìn)行特征優(yōu)化；
[0012] 步驟5:對步驟4歸一化后的結(jié)果，求每個(gè)對象的特征均值，以得到各個(gè)對象的特 征圖像；
[0013] 步驟6 :對每個(gè)對象求其在不同時(shí)相的特征圖像的差值，利用k均值聚類算法對三 幅不同的差值圖像求其閾值，使其閾值自動化，以此得到三幅不同特征的變化圖像；
[0014] 步驟7:對步驟6中得到的三幅不同特征的變化圖像進(jìn)行AC指數(shù)后處理；
[0015] 步驟8:利用熵值法，對步驟7中得到的三幅不同特征的變化圖像加不同的權(quán)重， 再設(shè)定閾值，以得到變化檢測結(jié)果；
[0016] 步驟9:利用基于投票法的多尺度融合方法對變化檢測的結(jié)果進(jìn)行處理，以得到 更尚的檢測精度；
[0017] 步驟10:對步驟9得到的結(jié)果進(jìn)行精度評定。
[0018] 作為優(yōu)選，步驟1中所述的幾何糾正采用基于多項(xiàng)式的遙感圖像幾何糾正，控制 點(diǎn)選取分布均勻，重采樣采用雙線性內(nèi)插法，最后得到誤差要求標(biāo)準(zhǔn)為RMSE〈0. 5像素；所 述的輻射糾正方法采用的是相對輻射歸一化糾正。
[0019] 作為優(yōu)選，步驟3中所述的選取步驟1中的一幅圖像進(jìn)行分割，選取方法為：當(dāng)兩 幅圖像分辨率不一致時(shí)，用空間分辨率高的圖像來進(jìn)行分割；當(dāng)分辨率相同時(shí)，按照獲取時(shí) 相的時(shí)間順序，選取后一時(shí)期的圖像進(jìn)行分割。
[0020] 作為優(yōu)選，步驟3中所述的基于改進(jìn)的FNEA多尺度分割方法，其具體實(shí)現(xiàn)過程為： 從一個(gè)像元起步，先將單像元合并為較小的對象，然后把具有異質(zhì)性最小的較小對象合并 成較大的對象，這樣不斷合并，直到判斷條件不成立，合并操作就終止，最終分割的結(jié)果中 所有圖像對象的平均異質(zhì)性最?。?br>[0021] 在判斷兩相鄰區(qū)域是否能夠合并時(shí)，用總異質(zhì)性值和先前設(shè)定好的尺度閾值進(jìn)行 比較，如果小于尺度閾值就合并，否則就結(jié)束合并操作；
[0022] 總的異質(zhì)性h計(jì)算公式為：
[0023] h = wspectral*hspectral+wshape*hshape+w祖樸咖+界加咖樸如如；
[0024]其中，wspeetral, wshape, wmi，wtextme分別為光譜異質(zhì)性hspeetral、形狀異質(zhì)性h shape、MBI 異 質(zhì)性和紋理異質(zhì)性h texture對應(yīng)的權(quán)重；MBI異質(zhì)性和紋理異質(zhì)性的計(jì)算方法和光譜異 質(zhì)性的計(jì)算方法原理相同，即計(jì)算每一波段的標(biāo)準(zhǔn)差與該波段權(quán)重的乘積，再把個(gè)波段的 值進(jìn)行累加。
[0025] 作為優(yōu)選，步驟6中所述的利用k均值聚類算法對三幅不同的差值圖像求其閾值， 其具體實(shí)現(xiàn)包括以下子步驟：
[0026] 步驟6. 1:從數(shù)據(jù)集中隨機(jī)選取K個(gè)圖像單元作為初始聚類中心；
[0027] 步驟6.2 :計(jì)算各個(gè)圖像單元到聚類中心的光譜距離，將它們一一歸類到最近的 那個(gè)聚類中心所在的類；
[0028] 步驟6.3 :計(jì)算新形成的每一個(gè)聚類的圖像單元的光譜均值，從而得到新的聚類 中心；
[0029] 步驟6. 4:迭代實(shí)施步驟6. 2和步驟6. 3,直至前后兩次的聚類中心沒有任何變化， 說明聚類調(diào)整結(jié)束，聚類準(zhǔn)則函數(shù)已經(jīng)收斂；
[0030] 當(dāng)輸入圖像分別為歸一化后的MBI特征圖像、SFA特征圖像和紋理特征圖像時(shí)，用 K均值二值聚類所得的結(jié)果，即將這些特征分為兩個(gè)分離度最高的圖像類別，即低相似性與 高相似性類別；因此，由此得到的兩個(gè)圖像類別可分別對應(yīng)于變化區(qū)域與未變化區(qū)域，即可 得到三個(gè)閾值X，Y，Z。
[0031] 作為優(yōu)選，步驟7中所述的AC指數(shù)后處理，具體的公式如下：
[0032] A